基于SBF-Elman的EV短期负荷预测研究

发布时间：2022-01-17 12:00

　　针对EV（electricvehicle,电动汽车）短期负荷数据中异常数据造成预测偏差,提出顺序分支筛选法结合Elman的EV短期负荷预测方法,简称SBF-Elman（Sequentialbranch filtering-Elman）。首先分析EV短期负荷预测研究现状和影响EV充电负荷因素,介绍了SBF-Elman应用于负荷预测原理,构建了EV等效负荷模型,求得等效负荷序列。选取广东省某市2018年5月份的EV的负荷数据和构建的等效负荷序列,进行Elman训练和预测。实验结果表明,该方法规避了原始负荷中的因突发事件所产生的异常数据造成的预测偏差,预测精度提高了3%,预测时间提高2.13s,为EV优化调度的工作奠定了基础。 

【文章来源】：制造业自动化. 2020,42(10)CSCD

【文章页数】：5 页

【部分图文】：

影响EV因素SBF筛选原理图

Elman-NN是Elman在1990年提出的动态回归双层网络，如图2所示它分为四层：输入层、隐含层、承接层和输出层。输入层是用来传递信息，隐含层就是把输入数据的特征抽象到另一个维度空间，将所呈现出来的特征进行线性划分。承接层是用来记忆隐含层上一时刻的输出值，并在作为输入返给隐含层，这一自联方式加强了网络本身处理信息的能力，从而实现动态建模。在传统的负荷预测中的人工神经网络是一个前馈神经网络，属于静态网络，EV负荷预测是一个动态系统，因为静态网络不能准确地反映系统的动态特性，利用动态递归Elman神经网络来进行EV短期负荷预测，更能准确地反映EV短期负荷的动态特性，因此采用Elman-NN建立EV短期负荷预测模型。3 SBF-Elman预测模型算法及流程

其中w可代表输入层、隐含层或输出层的权值，对于输出层、隐含层和承接层内部的权值更新与优化的链式法则的推导这里不再赘述。以上阐明了SBF-Elman预测模型的基于误差的权值优化过程，也是Elman-NN训练的过程。图3是该预测模型的流程图。4 实验仿真

【参考文献】：
期刊论文
[1]基于出行模拟的电动汽车充电负荷预测模型及V2G评估[J]. 李含玉,杜兆斌,陈丽丹,管霖,周保荣.  电力系统自动化. 2019(21)
[2]考虑分布式光伏和电动汽车接入的配电网空间负荷预测方法[J]. 靳现林,赵迎春,吴刚.  电力系统保护与控制. 2019(14)
[3]基于时刻充电概率的电动汽车充电负荷预测方法[J]. 王浩林,张勇军,毛海鹏.  电力自动化设备. 2019(03)
[4]基于改进遗传算法的BP神经网络短期电力负荷预测[J]. 王帅哲,王金梅,王永奇,马文涛.  国外电子测量技术. 2019(01)
[5]考虑发展不均衡的电动汽车充电负荷预测[J]. 余军伟,孙云莲,张笑迪.  电测与仪表. 2019(05)
[6]基于EEMD-SE和GARBF的短期电力负荷预测[J]. 高强,李易隆,李大华,白梓璇.  电子技术应用. 2019(01)
[7]电动汽车充电对配电网电压质量的影响研究[J]. 吕金炳,宋辉,刘云,李国栋,刘创华,徐永海.  电测与仪表. 2018(22)
[8]电动汽车用电负荷预测及对城市电网的影响[J]. 夏文芳.  农村电气化. 2018(11)
[9]基于时空分布负荷预测的电动汽车充电优化[J]. 周凌锋,王杰.  现代电力. 2018(05)
[10]基于灰色神经网络的微电网短期负荷预测[J]. 张浩,邓步青,彭道刚,夏飞.  系统仿真技术. 2018(01)



本文编号：3594690